1、基于腦電信號(hào)(EEG)的腦-機(jī)接口(BCI)是當(dāng)今BCI研究的主流。其中利用自發(fā)腦電信號(hào)，通過識(shí)別特定意識(shí)任務(wù)實(shí)現(xiàn)控制的BCI系統(tǒng)不需要外部刺激裝置和長時(shí)間的訓(xùn)練，具有很大的應(yīng)用前景和價(jià)值。本論文主要從EEG信號(hào)的預(yù)處理，特征提取方法和分類器的設(shè)計(jì)等方面對(duì)此類 BCI系統(tǒng)進(jìn)行了較為深入的研究，主要工作和成果有：
　　采用有效的盲源分離(BSS)方法分別對(duì)EEG信號(hào)中的工頻、眼電(EOG)和肌電(EMG)偽跡進(jìn)行了分離和去除。獨(dú)立分

2、量分析(ICA)能夠取得較為理想的去除EOG偽跡的效果，得到了廣泛的應(yīng)用，因此在本文中也采用了這種方法去除EEG中的EOG偽跡。此外，工頻噪聲也利用了ICA方法來去除。在直接利用ICA無法分離出6導(dǎo)EEG信號(hào)中的工頻噪聲的情況下，人為構(gòu)造了兩路工頻信號(hào)，引入ICA的輸入作為參考信號(hào)，從而成功的分離和去除了工頻噪聲。在以往的基于意識(shí)任務(wù)BCI的研究中，均沒有對(duì)EMG偽跡進(jìn)行處理，本文提出了一種基于典型相關(guān)分析(CCA)和低通濾波的BSS方

3、法來分離和去除EMG偽跡。采集到的EEG信號(hào)可以看作是不相關(guān)的EEG源和EMG偽跡源的瞬時(shí)混合，因此，CCA能夠?qū)⒄鎸?shí)的EEG信號(hào)和EMG偽跡分離開。相較于EEG而言，自相關(guān)性較弱的EMG偽跡出現(xiàn)在最小自相關(guān)的CCA分量中。但是這些分量也包含了EEG信息，因此在對(duì)這些分量進(jìn)行低通濾波處理以后，再重構(gòu)出EEG信號(hào)。提出的這種新方法在去除EMG偽跡的同時(shí)能夠有效的保留EEG信息，是BCI系統(tǒng)中一種更為理想的去除EMG偽跡的EEG信號(hào)預(yù)處理方

4、法。
　　本文研究了時(shí)-頻特征提取方法和時(shí)-頻-空特征提取方法。頻域分析方法提取EEG的節(jié)律特征及頻譜特征是目前最主要的方法，然而這種方法是建立在被分析的EEG信號(hào)是平穩(wěn)的假設(shè)上。時(shí)頻分析方法是適合于處理EEG信號(hào)這種典型非平穩(wěn)信號(hào)的有效工具。本文將線性時(shí)頻變換和雙線性時(shí)頻變換應(yīng)用于不同意識(shí)任務(wù)EEG信號(hào)的特征提取。短時(shí)傅里葉變換(STFT)雖然不存在交叉項(xiàng)干擾，但是其時(shí)頻聚集性不好。作者將STFT與AR模型相結(jié)合，在STFT的求

5、解過程中采用AR譜代替傅里葉譜，這種改進(jìn)的STFT獲得了比較好的時(shí)頻聚集性，能夠更有效的提取EEG特征。Wigner-Ville分布(WVD)雖然時(shí)頻聚集性好，但又存在交叉項(xiàng)干擾。平滑偽Wigner-Ville分布(SPWVD)是WVD的一種改進(jìn)，達(dá)到了抑制交叉項(xiàng)的目的，因此能夠更準(zhǔn)確的提取EEG特征。時(shí)-頻-空特征提取方法考慮了從多通道EEG信號(hào)(多變量EEG信號(hào))提取空域特征，是一種提取EEG特征的新思路。由于直接對(duì)多變量EEG信號(hào)

6、處理時(shí)，計(jì)算量大，得到的特征數(shù)多，該方法首先對(duì)多變量信號(hào)進(jìn)行空域解相關(guān)處理，從而降低了計(jì)算量和特征數(shù)，提高了這種方法的實(shí)用性。
　　設(shè)計(jì)了兩種分類器：基于Fisher辨別分析(FDA)和馬氏距離(MD)的分類器和基于最小二乘支持向量機(jī)(LS_SVM)的分類器。FDA是一類較為簡單的線性判別函數(shù)，該線性分類器容易實(shí)現(xiàn)，計(jì)算量小，能夠滿足BCI系統(tǒng)對(duì)實(shí)時(shí)性的要求?；诮Y(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的SVM是近些年來發(fā)展起來的一種新型模式識(shí)別方法，

7、克服了傳統(tǒng)方法的過學(xué)習(xí)、高維數(shù)、局部最小等問題，具有很強(qiáng)的推廣能力，但是其計(jì)算速度較慢。因此，本文利用了SVM的改進(jìn)方法LS_SVM來設(shè)計(jì)分類器，LS_SVM將SVM中的二次規(guī)劃問題轉(zhuǎn)化為線性方程求解，提高了計(jì)算速度，更適合于在BCI系統(tǒng)中充當(dāng)分類器。此外，本文也對(duì)利用SVM進(jìn)行多分類的方法進(jìn)行了研究，設(shè)計(jì)了基于LS_SVM的多分類器。
　　本文設(shè)計(jì)了三組實(shí)驗(yàn)，每組實(shí)驗(yàn)均對(duì)8個(gè)受試者的意識(shí)任務(wù)進(jìn)行了二分類和多分類。第一組實(shí)驗(yàn)用于驗(yàn)

8、證本文所給出的特征提取方法的有效性，并比較了它們的性能。采用基于AR模型的STFT和SPWVD的特征提取方法取得了最好的分類效果。不過基于AR模型的STFT更加簡單，因此是一種更具優(yōu)勢(shì)的方法。第二組實(shí)驗(yàn)對(duì)設(shè)計(jì)的兩種分類器進(jìn)行了驗(yàn)證和比較。在二分類時(shí)，LS_SVM分類器取得了更好的分類效果，而在三分類，四分類和五分類時(shí)，F(xiàn)DA+MD分類器在正確率和計(jì)算速度上都更具優(yōu)勢(shì)。本論文提出了一個(gè)新的觀點(diǎn)，認(rèn)為頭皮方式采集的EEG信號(hào)的高頻成分也包含